公开(公告)号：CN119536991A

公开(公告)日：2025-02-28

申请号：CN202411483852.0

申请日：2024-10-23

Applicant: 北京工业大学

Inventor： 陆帅冰 ,  相博今 ,  张佳玥 ,  金昕 ,  闫冉

IPC: G06F9/50 ,  G06F9/54 ,  G06F9/445

Abstract: 本发明实施例提供了一种应用于边缘计算的任务卸载方法、装置、设备及介质，其中，该方法包括以下步骤：将预卸载的卸载任务队列的卸载成本作为基线数据；初始化记忆库、评估网络和目标网络；设置训练回合，在每个训练回合中，使用评估网络对卸载任务队列中的每个任务进行卸载，通过基线数据计算卸载所需的任务卸载成本，并获取卸载的记忆，生成每个训练回合对应的总卸载成本；将记忆库中的记忆传入至目标网络，通过误差向量更新评估网络的权重参数，将评估网络的训练参数拷贝至目标网络；将所有训练回合中，总卸载成本最低的训练回合作为任务卸载的最终策略。该方案通过优化的任务卸载方法，降低了用户的服务延迟和边缘系统的整体能耗。

公开(公告)号：CN116390162A

公开(公告)日：2023-07-04

申请号：CN202310302794.6

申请日：2023-03-23

Applicant: 北京工业大学

Inventor： 陆帅冰 ,  闫冉 ,  鲁鹏帆 ,  刘海明 ,  方娟

IPC: H04W28/08 ,  H04W28/084 ,  H04W28/086 ,  H04W28/26 ,  H04L41/16 ,  H04L67/10

Abstract: 本发明提供了一种基于深度强化学习的移动边缘计算动态服务部署方法。本发明在学习过程中引入迁移冲突解决机制，以维持用户的服务性能。具体来说，不仅要对网络状态进行预测，根据用户轨迹计算每个时隙，每个边缘节点所连接的用户，还要按照用户请求和所在边缘节点上的服务，确定哪些节点为拥挤节点，为拥挤节点进行资源预留，并检测是否会产生冲突。为了实现这一目标，首先，确定边缘计算的网络架构，之后建立系统模型和服务质量(QoS)模型，并将要解决的问题进行公式化。本发明研究了在物理资源和运营成本约束下，以最小化用户总开销为目标的时延和成本联合优化问题，同时考虑保障突发性聚集下多服务请求能够及时响应。

公开(公告)号：CN118363733A

公开(公告)日：2024-07-19

申请号：CN202410577387.0

申请日：2024-05-10

Applicant: 北京工业大学

Inventor： 陆帅冰 ,  金昕 ,  周书扬 ,  刘海明 ,  闫冉 ,  吴珅

IPC: G06F9/48 ,  G06F9/50

Abstract: 本发明实施例提供了一种边缘计算场景的动态内容缓存方法、装置、设备及介质，涉及边缘计算技术领域，其中，该方法包括：计算每个服务请求的第一综合评价指标；根据第一综合评价指标，在优化该边缘服务器的缓存开销的情况下，将该边缘服务器接收的服务请求的服务副本从云端服务器迁移至该边缘服务器；在该边缘服务器接收的服务请求的服务副本缓存在其他边缘服务器上时，根据接收的服务请求的延迟响应增益、迁移服务请求的服务副本所需的时延开销和迁移服务请求的服务副本所需的成本开销，在优化该边缘服务器的缓存开销的情况下，将接收的服务请求的服务副本在边缘服务器之间进行迁移，实现每个服务请求的服务副本分别缓存在多个边缘服务器上。